#knowledge_bases — Public Fediverse posts

Создание корпоративной Базы Знаний для внедрения ИИ-инструментов

В статье описываю практический опыт построения корпоративного ИИ‑ассистента: от структуры базы знаний и графовой модели до фильтрации контекста и контроля версий. Материал будет полезен продактам, архитекторам, маркетологам и всем, кто внедряет ИИ в бизнес‑процессы. «Garbage in — garbage out», как мусор в корпоративной Базе Знаний мешает корректной работе ИИ и как мы предлагаем это исправить. Сегодня многие компании внедряют ИИ‑агентов по упрощённому сценарию: загружают PDF‑регламенты, Excel‑прайсы и архивы переписок в векторную БД, после чего ожидают, что модель будет корректно отвечать на вопросы пользователей. Такой подход, известный как Naive RAG , в большинстве случаев приводит к нестабильным результатам: несогласованные ответы, ошибки в тарифах, применение устаревших инструкций. Причина — не в возможностях моделей: современные LLM хорошо работают с контекстом. Проблема — в структуре данных , которые подаются на вход. Если знания представлены в виде фрагментов без связей, версий и семантической целостности, то на выходе появляется то, что обычно называют «галлюцинациями».

https://habr.com/ru/articles/974992/

#LLM #RAG #База_знаний #Внедрение_ИИ #Автоматизация_Бизнес_процессов #Чатботы #цифровизация_бизнеспроцессов #knowledge_management #knowledge_bases #искусственный_интеллект

Создание корпоративной Базы Знаний для внедрения ИИ-инструментов

В статье описываю практический опыт построения корпоративного ИИ‑ассистента: от структуры базы знаний и графовой модели до фильтрации контекста и контроля версий. Материал будет полезен продактам, архитекторам, маркетологам и всем, кто внедряет ИИ в бизнес‑процессы. «Garbage in — garbage out», как мусор в корпоративной Базе Знаний мешает корректной работе ИИ и как мы предлагаем это исправить. Сегодня многие компании внедряют ИИ‑агентов по упрощённому сценарию: загружают PDF‑регламенты, Excel‑прайсы и архивы переписок в векторную БД, после чего ожидают, что модель будет корректно отвечать на вопросы пользователей. Такой подход, известный как Naive RAG , в большинстве случаев приводит к нестабильным результатам: несогласованные ответы, ошибки в тарифах, применение устаревших инструкций. Причина — не в возможностях моделей: современные LLM хорошо работают с контекстом. Проблема — в структуре данных , которые подаются на вход. Если знания представлены в виде фрагментов без связей, версий и семантической целостности, то на выходе появляется то, что обычно называют «галлюцинациями».

https://habr.com/ru/articles/974992/

#LLM #RAG #База_знаний #Внедрение_ИИ #Автоматизация_Бизнес_процессов #Чатботы #цифровизация_бизнеспроцессов #knowledge_management #knowledge_bases #искусственный_интеллект

Создание корпоративной Базы Знаний для внедрения ИИ-инструментов

В статье описываю практический опыт построения корпоративного ИИ‑ассистента: от структуры базы знаний и графовой модели до фильтрации контекста и контроля версий. Материал будет полезен продактам, архитекторам, маркетологам и всем, кто внедряет ИИ в бизнес‑процессы. «Garbage in — garbage out», как мусор в корпоративной Базе Знаний мешает корректной работе ИИ и как мы предлагаем это исправить. Сегодня многие компании внедряют ИИ‑агентов по упрощённому сценарию: загружают PDF‑регламенты, Excel‑прайсы и архивы переписок в векторную БД, после чего ожидают, что модель будет корректно отвечать на вопросы пользователей. Такой подход, известный как Naive RAG , в большинстве случаев приводит к нестабильным результатам: несогласованные ответы, ошибки в тарифах, применение устаревших инструкций. Причина — не в возможностях моделей: современные LLM хорошо работают с контекстом. Проблема — в структуре данных , которые подаются на вход. Если знания представлены в виде фрагментов без связей, версий и семантической целостности, то на выходе появляется то, что обычно называют «галлюцинациями».

https://habr.com/ru/articles/974992/

#LLM #RAG #База_знаний #Внедрение_ИИ #Автоматизация_Бизнес_процессов #Чатботы #цифровизация_бизнеспроцессов #knowledge_management #knowledge_bases #искусственный_интеллект

Создание корпоративной Базы Знаний для внедрения ИИ-инструментов

В статье описываю практический опыт построения корпоративного ИИ‑ассистента: от структуры базы знаний и графовой модели до фильтрации контекста и контроля версий. Материал будет полезен продактам, архитекторам, маркетологам и всем, кто внедряет ИИ в бизнес‑процессы. «Garbage in — garbage out», как мусор в корпоративной Базе Знаний мешает корректной работе ИИ и как мы предлагаем это исправить. Сегодня многие компании внедряют ИИ‑агентов по упрощённому сценарию: загружают PDF‑регламенты, Excel‑прайсы и архивы переписок в векторную БД, после чего ожидают, что модель будет корректно отвечать на вопросы пользователей. Такой подход, известный как Naive RAG , в большинстве случаев приводит к нестабильным результатам: несогласованные ответы, ошибки в тарифах, применение устаревших инструкций. Причина — не в возможностях моделей: современные LLM хорошо работают с контекстом. Проблема — в структуре данных , которые подаются на вход. Если знания представлены в виде фрагментов без связей, версий и семантической целостности, то на выходе появляется то, что обычно называют «галлюцинациями».

https://habr.com/ru/articles/974992/

#LLM #RAG #База_знаний #Внедрение_ИИ #Автоматизация_Бизнес_процессов #Чатботы #цифровизация_бизнеспроцессов #knowledge_management #knowledge_bases #искусственный_интеллект